Crear un agente de IA con n8n: la guía paso a paso

Usted crea un agente de IA en n8n a partir de cuatro bloques: un disparador que inicia al agente, un modelo de chat como cerebro, una memoria para el contexto de la conversación y herramientas con las que el agente realmente puede hacer algo. El nodo AI Agent conecta estas partes, sin necesidad de programación. Esta guía recorre la construcción de un primer agente productivo y muestra los puntos en los que, según la experiencia, los principiantes se atascan. Fecha: julio de 2026.

Lo que necesita de antemano

• Una instancia de n8n: cuenta en la nube o autoalojada, ambas funcionan. Para datos de empresa recomendamos el autoalojamiento en servidores alemanes.
• Una clave API para un modelo de chat: por ejemplo OpenAI o Anthropic. Quien no quiera entregar datos a proveedores estadounidenses puede conectar modelos locales con Ollama, más sobre esto más abajo.
• Un caso de uso claramente delimitado: un agente que debería poder hacerlo todo, al final no puede hacer nada. Buenos primeros casos: preclasificar solicitudes, responder preguntas a partir de una base de conocimiento, preparar citas.

Paso 1: crear el disparador y el nodo AI Agent

Cree un nuevo flujo de trabajo y elija como desencadenante el Chat Trigger si quiere conversar con el agente, o un webhook si otros sistemas deben dirigirse a él. Detrás coloque el nodo AI Agent. Es el centro de control: todo lo demás no se conecta en serie, sino que se acopla debajo del nodo Agent, lo que distingue visual y lógicamente a los agentes de los flujos de trabajo normales de n8n.

Paso 2: conectar el modelo de chat

Acople un modelo a la conexión de modelo de chat del agente, por ejemplo OpenAI o Anthropic, y guarde las credenciales. Regla práctica para elegir el modelo: para la llamada de herramientas y las respuestas rutinarias basta un modelo económico, solo en ponderaciones complejas vale la pena la clase cara. La elección del modelo se puede cambiar en cualquier momento después, empiece de forma económica y mida.

Paso 3: añadir memoria

Sin memoria, el agente olvida después de cada mensaje de qué se habló. Para las primeras pruebas basta la Simple Memory; para el uso en producción se recomienda la memoria Postgres, para que el contexto sobreviva a un reinicio. El error de principiante más frecuente está justo aquí: la memoria necesita una clave de sesión única por interlocutor. Si el agente se usa a través de un webhook, debe establecer usted mismo esta clave a partir de los datos entrantes, de lo contrario las conversaciones se mezclan o el historial queda vacío.

Paso 4: conectar herramientas para que el agente pueda actuar

Solo con herramientas el chatbot se convierte en un empleado digital. Como herramienta sirve casi todo lo que n8n puede hacer: una consulta a una base de datos, la búsqueda en sus documentos a través de un vector store, el envío de un correo electrónico, un sub-flujo de trabajo propio. Describa cada herramienta en una frase con la precisión suficiente para que el modelo entienda para qué sirve, porque el agente decide su uso a partir de esa descripción. Para acciones críticas como el envío o el borrado, incorpore una aprobación humana: n8n trae para ello patrones human-in-the-loop, y eso es precisamente lo que quita a los responsables de decisión el miedo a la IA autónoma.

Paso 5: escribir y probar el prompt del sistema

En el nodo Agent guarda la instrucción de sistema: quién es el agente, qué puede hacer, qué nunca debe hacer, en qué idioma y con qué tono responde. Escríbala como una instrucción de trabajo para un nuevo ayudante, de forma concreta y con ejemplos. A continuación pruébela en la ventana de chat con casos reales de su día a día, no con preguntas inventadas, y observe la vista de ejecución: allí ve cada decisión de herramienta del agente y reconoce de inmediato si una descripción de herramienta era confusa.

Errores típicos de la práctica

• Agente en lugar de cadena: si el proceso es siempre igual, por ejemplo resumir un texto y archivarlo, no necesita un agente, una simple cadena LLM es más rápida y barata. Los agentes valen la pena solo cuando el propio modelo debe decidir qué herramienta utiliza.
• Demasiadas herramientas: más de cinco a siete herramientas diluyen la tasa de acierto. Mejor varios agentes especializados que uno que lo haga todo.
• Sin control de los costes: cada ejecución de un agente son varias llamadas al modelo. Establezca un límite desde el principio y observe el consumo.

Dónde los agentes de IA realmente ahorran tiempo en el día a día y cómo se ve un caso de uso productivo lo muestra nuestro resumen Agentes de IA. Si prefiere que le construyan el agente y quiere mantener el control: para eso exactamente existe nuestro servicio Crear un agente de IA a medida a precio fijo.

Preguntas frecuentes sobre la creación de agentes de IA

¿Puedo crear un agente de IA sin conocimientos de programación?

Sí, en n8n un agente de IA se crea de forma completamente visual: disparador, modelo de chat, memoria y herramientas se conectan mediante arrastrar y soltar, la lógica está en la instrucción de sistema en lenguaje cotidiano. Los conocimientos de programación solo ayudan en casos especiales, como formatos de datos propios o interfaces especiales.

¿Cuánto cuesta operar un agente de IA?

Los costes recurrentes se componen de las llamadas al modelo y el alojamiento. Un agente interno con uso moderado suele estar en un rango bajo de dos dígitos en euros al mes en costes de modelo, mientras que un n8n autoalojado en un servidor alemán cuesta solo unos pocos euros de servidor. Solo resulta caro con bucles descontrolados, por eso los límites forman parte desde el principio.

¿Puede el agente funcionar con modelos de IA locales, sin la nube?

Sí, n8n conecta modelos locales a través de Ollama, de modo que ningún texto sale de sus instalaciones. Cuente con dos limitaciones: los modelos locales necesitan hardware adecuado y, al llamar a herramientas, son notablemente más propensos a errores que los grandes modelos API. Para datos sensibles, el compromiso suele ser un modelo API europeo junto con reglas de datos claras en el prompt del sistema.

¿Cómo reconozco que mi caso de uso es apto para un agente?

Un caso de uso es apto para un agente cuando la tarea exige decisiones reales entre varias herramientas, por ejemplo consultar algo primero y después responder o derivar según el resultado. Si el proceso siempre es igual, basta una automatización clásica con un único paso de IA, que es más rápida, más barata y más fácil de controlar.